上下文中的生存：通过先验拟合网络进行摊销贝叶斯生存分析

生存分析对于许多医疗应用至关重要，但由于数据有限、审查和表格协变量的异质性，对于现代机器学习来说仍然具有挑战性。虽然依赖于大量合成数据集的预训练模型的先验拟合范式最近促进了用于分类和回归的表格基础模型，但其对事件时间建模的适用性仍不清楚。我们提出了一个灵活的生存数据生成框架，该框架定义了丰富的生存先验，并明确控制协变量和时间事件分布。在此基础上，我们引入了上下文生存（SIC），这是一种用于生存分析的先验拟合上下文学习模型，专门针对合成数据进行预训练。 SIC 经过训练，可在合成生存先验下近似贝叶斯后验预测推理，从而在单次前向传递中实现个性化生存预测，无需特定于任务的训练或超参数调整。在对现实世界生存数据集的广泛评估中，与经典和深度生存模型相比，SIC 实现了具有竞争力或优越的性能，特别是在中小型数据体系中，凸显了先验拟合范式对于生存分析的前景。代码和预训练模型将在发布后提供。